[发明专利]基于深度稀疏网络的产品营销方法

摘要

本发明提供了一种基于深度稀疏网络的产品营销方法。该方法利用深度稀疏网络架构，对营销流程中的目标进行定义，收集原始用户数据，对原始数据清理后，再进行多方面数据衍生，对衍生数据进行模型训练，形成训练结果二次组合，结合营销目标对组合后模型进行评估，将评估合格的模型应用到生产环节，同时对模型进行自优化，使模型对新目标或新环境进行自学习，最终形成闭环的应用体系。此方法实现了以数据驱动营销用户的触达管理，在处理大体量用户营销活动时能够保持高效性和精度，实现精准营销行为的开展，同时支持深度客户信息的挖掘，在精准营销的同时实现营销收益最大化和风险最小化。

主权项

1.一种基于深度稀疏网络产品营销方法，其特征在于，包括以下步骤：步骤1：目标定义：将特定时间段内经营流程的营销目标定义化，然后转变为能够描述出实际问题的目标函数；步骤2：原始数据收集：对营销客户信息进行结构区分，采用数据指标多样化的方式对客户的信息进行分类收集；步骤3：原始数据清理：通过数据质量处理算法和数据适用度处理处理算法对所述原始数据进行清理；步骤4：数据衍生：将数据包含的各个原指标信息进行量化，通过数学变换方式，将量化的信息衍生出其他的新指标信息，然后全部导入到模型中；步骤5：模型训练：根据目标函数，通过数据逼近方法，将导入到模型的变量进行训练，并在训练中进行参数的调优和更新，逐渐降低目标函数，最终得到模型训练结果；步骤6：模型组合：利用模型函数库，将模型训练结果进行再训练和组合，使结果与实际应用生产环境相适应，形成模型组合实际生产结果；步骤7：模型评估：设定评估阈值，将模型组合实际生产结果进行评估筛选，判断所述模型组合实际生产结果是否大于设定评估阈值，在判断为是时，所述模型组合实际生产结果进入生产环节；步骤8：模型应用：根据模型评估中冠军‑挑战者方式，逐步将模型部署到生产环境；步骤9：模型自优化：根据模型在实际中的应用效果，将模型参数进行自调优处理；步骤10：模型自更新：根据应用场景指标信息的变化情况，将应用场景的数据衍生，并通过衍生环节将所有指标重新进行模型的训练、组合、评估和应用。